Meta lança Muse Ember, modelo enxuto para o serviço repetitivo dos agentes
A Meta colocou no ar o Muse Ember, seu modelo de inteligência artificial mais compacto e econômico até aqui, com um argumento que mexe direto no orçamento de quem opera agentes: o custo por execução. Em avaliação da Artificial Analysis, cada tarefa fica em cerca de US$ 0,14, contra US$ 2,39 do Muse Spark 1.3, a versão maior da própria empresa — com pontuações praticamente empatadas, 36 e 37.
O anúncio é de 9 de novembro de 2026. O alvo declarado não é o topo dos rankings genéricos, e sim o serviço repetitivo que consome a maior parte da conta em projetos de IA — agente, aqui, é o programa que usa o modelo para cumprir etapas em sequência. O cardápio inclui acionar ferramentas externas, resolver trechos curtos de código, encaminhar requisições entre sistemas, extrair dados e digerir arquivos extensos.
Multimodal, com janela de 1 milhão de tokens
Texto, imagens, áudio e vídeo entram no mesmo modelo, que processa até 1 milhão de tokens de uma vez — token é a unidade mínima em que o sistema fraciona o conteúdo, algo próximo de um pedaço de palavra. Na prática, a janela permite enviar contratos, relatórios ou transcrições completas sem picar o material em blocos menores.
O consumo é cobrado por volume: US$ 0,10 por milhão de tokens na entrada e US$ 0,50 por milhão na saída. O acesso já está disponível pelo Meta Model API e pelo Muse Code.
| Métrica | Valor |
|---|---|
| Custo por tarefa — Muse Ember (Artificial Analysis) | ≈ US$ 0,14 |
| Custo por tarefa — Muse Spark 1.3 | US$ 2,39 |
| Pontuação das duas versões no teste | 36 e 37 |
| Entrada / saída por 1 milhão de tokens | US$ 0,10 / US$ 0,50 |
| Janela de contexto | 1 milhão de tokens |
Preço baixo, mas derrota em código real
A Meta sustenta que o Ember entrega mais capacidade por dólar em todos os níveis de esforço de raciocínio do que o Claude Haiku 5.5, da Anthropic, e o GPT-6 Luna, da OpenAI. O próprio material, porém, mostra onde o modelo menor perde: em tarefas reais de programação no teste FrontierCode 2.0-AA, a taxa de acerto ficou em 27,2%, abaixo dos 34,9% do Haiku.
O que o custo por tarefa muda para o investidor
A métrica que importa aqui não é a nota no benchmark, e sim o preço por execução. Um agente que dispara milhares de chamadas por dia transforma centavos em despesa relevante no fim do mês, e modelos enxutos tendem a reduzir também a latência. Quem embute IA em software ganha margem quando o custo unitário cai; quem cobra por inferência enfrenta compressão de preço.
A briga entre Meta, Anthropic e OpenAI em torno de modelos pequenos desloca a competição do melhor modelo para o melhor custo por resultado. Para quem investe, o dado a acompanhar é o preço por token de cada fornecedor: ele redesenha a conta de qualquer projeto de agentes.